'comparo dos modelos por su predicción,
'como argumentos, los nombres de los modelos y la variable
'primero los dos modelos, luego la variable
'------------------------------------------------------------------------
'primero el forecast estático y guardo la desviación típica
'NOTA: se requieren los argumentos
'%0= nombre del primer modelo, por ejemplo eq01
'%1=nombre del segundo modelo, por ejemplo eq02
'%2= nombre de la variable dependiente común a los dos, por ejemplo, gdp
'----------------------------------------------------------------------------
'primero considerar sólo los últimos 20 elementos de la muestra para hacer la predicción
smpl @last-20 @last
{%0}.fit prim_hat prim_se
{%1}.fit seg_hat seg_se
'-------------------------------------------------------------------------
'luego los residuos, la suma y la diferencia
series rprim={%2}-prim_hat
series rseg={%2}-seg_hat
series u1=rprim-rseg
series u2=rprim+rseg
'----------------------------------------------------------------------------
'ahora, la regresión
equation ecm.ls u1 c u2
'----------------------------------------------------------------------------
'por último, selección automática: usando el cuantil del 95% de la t con 18 gdl como 
'corresponde a la regresión de u1 en u2.
'de cualquier modo, reporta el p-valor del estadístico t cuando elije
series p2=prim_se^2
series s2=seg_se^2
 scalar pval=@tdist(@abs(ecm.@tstats(2)),19)
%resul=""
if pval>0.05 then 
   if @sum(p2)<@sum(s2) then
         %resul="El modelo " + %0 +" es mejor con un p-valor de "+ @str(pval)    else
          %resul="El modelo " + %1 + " es mejor con un p-valor de " +@str(pval)
    endif
else
        %resul= "Los modelos " +%0 +" y " +%1+" son predictivamente indiferentes para la variable "+%2 +   ".  El p-valor de la regresión es "+@str(pval)      
endif
table(1,1) resul
resul(1,1)=%resul
show resul